Відповідно до нещодавно опублікованого звіту про промисловий штучний інтелект і ринок штучного інтелекту за 2021-2026 роки, рівень впровадження штучного інтелекту в промислових умовах зріс з 19 відсотків до 31 відсотка лише за два роки. На додаток до 31 відсотка респондентів, які повністю або частково впровадили штучний інтелект у своїй діяльності, ще 39 відсотків зараз тестують або пробують цю технологію.
Штучний інтелект стає ключовою технологією для виробників і енергетичних компаній у всьому світі, і аналіз IoT передбачає, що ринок промислових рішень штучного інтелекту продемонструє сильні річні темпи зростання після пандемії (CAGR) на 35% і досягне 102,17 мільярда доларів до 2026 року.
Цифрова ера породила Інтернет речей. Можна помітити, що поява штучного інтелекту прискорила темпи розвитку Інтернету речей.
Давайте розглянемо деякі фактори, що сприяють розвитку промислового ШІ та AIoT.
Фактор 1: Все більше програмних інструментів для промислового AIoT
У 2019 році, коли аналітика Iot почала охоплювати промисловий ШІ, було небагато спеціалізованих програмних продуктів ШІ від постачальників операційних технологій (OT). Відтоді багато постачальників OT вийшли на ринок штучного інтелекту, розробляючи та надаючи програмні рішення штучного інтелекту у вигляді платформ штучного інтелекту для виробництва.
Згідно з даними, майже 400 постачальників пропонують програмне забезпечення AIoT. За останні два роки кількість постачальників програмного забезпечення, які приєднуються до промислового ринку ШІ, різко зросла. Під час дослідження IoT Analytics визначила 634 постачальника технологій ШІ для виробників/промислових клієнтів. З цих компаній 389 (61,4%) пропонують програмне забезпечення ШІ.
Нова програмна платформа штучного інтелекту орієнтована на промислове середовище. Крім Uptake, Braincube або C3 AI, дедалі більше постачальників оперативних технологій (OT) пропонують спеціальні програмні платформи AI. Приклади включають пакет промислової аналітики Genix і штучного інтелекту від ABB, пакет FactoryTalk Innovation від Rockwell Automation, власну виробничу консультаційну платформу Schneider Electric, а нещодавно – спеціальні додатки. Деякі з цих платформ націлені на широкий спектр випадків використання. Наприклад, платформа Genix від АББ забезпечує розширену аналітику, включаючи готові додатки та послуги для управління продуктивністю, цілісністю активів, стійкістю та ефективністю ланцюжка поставок.
Великі компанії розміщують свої програмні засоби штучного інтелекту на виробництві.
Доступність програмних інструментів штучного інтелекту також обумовлена новими спеціальними програмними інструментами, розробленими AWS, такими великими компаніями, як Microsoft і Google. Наприклад, у грудні 2020 року AWS випустила Amazon SageMaker JumpStart, функцію Amazon SageMaker, яка надає набір готових і настроюваних рішень для найпоширеніших випадків промислового використання, таких як PdM, комп’ютерне бачення та автономне водіння. Розгорнути за допомогою лише кілька кліків.
Спеціальні програмні рішення покращують зручність використання.
Спеціальні пакети програмного забезпечення, наприклад, зосереджені на прогнозованому технічному обслуговуванні, стають все більш поширеними. IoT Analytics помітила, що кількість постачальників, які використовують програмні рішення для керування даними про продукт (PdM) на основі штучного інтелекту, зросла до 73 на початку 2021 року через збільшення різноманітності джерел даних і використання моделей попереднього навчання, а також широке поширення впровадження технологій розширення даних.
Фактор 2: розробка та підтримка рішень ШІ спрощується
Автоматизоване машинне навчання (AutoML) стає стандартним продуктом.
Через складність завдань, пов’язаних із машинним навчанням (ML), швидке зростання програм машинного навчання породило потребу в готових методах машинного навчання, які можна використовувати без досвіду. Отримана галузь досліджень, прогресивна автоматизація машинного навчання, називається AutoML. Багато компаній використовують цю технологію як частину своїх пропозицій штучного інтелекту, щоб допомогти клієнтам розробляти моделі машинного навчання та швидше впроваджувати випадки промислового використання. Наприклад, у листопаді 2020 року SKF анонсувала продукт на основі automL, який поєднує дані про машинний процес із даними про вібрацію та температуру, щоб зменшити витрати та створити нові бізнес-моделі для клієнтів.
Операції машинного навчання (ML Ops) спрощують керування та обслуговування моделі.
Нова дисципліна операцій машинного навчання спрямована на спрощення обслуговування моделей ШІ у виробничих середовищах. Продуктивність моделі штучного інтелекту зазвичай погіршується з часом, оскільки на неї впливають кілька факторів усередині підприємства (наприклад, зміни в розподілі даних і стандартах якості). Як наслідок, технічне обслуговування моделі та операції машинного навчання стали необхідними, щоб відповідати високим вимогам до якості промислових середовищ (наприклад, моделі з продуктивністю нижче 99% можуть не визначити поведінку, яка загрожує безпеці працівників).
В останні роки багато стартапів приєдналися до простору ML Ops, зокрема DataRobot, Grid.AI, Pinecone/Zilliz, Seldon і Weights & Biases. Відомі компанії додали операції машинного навчання до своїх існуючих пропозицій програмного забезпечення штучного інтелекту, зокрема Microsoft, яка запровадила виявлення дрейфу даних у Azure ML Studio. Ця нова функція дозволяє користувачам виявляти зміни в розподілі вхідних даних, які погіршують продуктивність моделі.
Фактор 3: штучний інтелект, застосований до існуючих програм і випадків використання
Традиційні постачальники програмного забезпечення додають можливості ШІ.
На додаток до існуючих великих горизонтальних програмних інструментів штучного інтелекту, таких як MS Azure ML, AWS SageMaker і Google Cloud Vertex AI, традиційні пакети програмного забезпечення, такі як комп’ютеризовані системи управління обслуговуванням (CAMMS), системи управління виробництвом (MES) або планування ресурсів підприємства (ERP). тепер можна суттєво покращити, додавши можливості ШІ. Наприклад, Epicor Software, постачальник ERP, додає можливості ШІ до своїх існуючих продуктів через віртуального помічника Epicor (EVA). Інтелектуальні агенти EVA використовуються для автоматизації процесів ERP, таких як перепланування виробничих операцій або виконання простих запитів (наприклад, отримання інформації про ціни на продукт або кількість доступних деталей).
Випадки промислового використання вдосконалюються за допомогою AIoT.
Кілька варіантів промислового використання покращуються шляхом додавання можливостей штучного інтелекту до існуючої апаратно-програмної інфраструктури. Яскравим прикладом є машинний зір у додатках контролю якості. Традиційні системи машинного зору обробляють зображення за допомогою інтегрованих або дискретних комп’ютерів, оснащених спеціальним програмним забезпеченням, яке оцінює заздалегідь визначені параметри та порогові значення (наприклад, високий контраст), щоб визначити, чи мають об’єкти дефекти. У багатьох випадках (наприклад, електронні компоненти з різною формою проводки) кількість помилкових спрацьовувань дуже велика.
Однак ці системи відроджуються завдяки штучному інтелекту. Наприклад, постачальник промислових машин Vision Cognex випустив новий інструмент глибокого навчання (Vision Pro Deep Learning 2.0) у липні 2021 року. Нові інструменти інтегруються з традиційними системами бачення, що дозволяє кінцевим користувачам поєднувати глибоке навчання з традиційними інструментами бачення в одній програмі, щоб відповідати вимогливим медичним та електронним середовищам, які потребують точного вимірювання подряпин, забруднень та інших дефектів.
Фактор 4: удосконалюється промислове апаратне забезпечення AIoT
Чіпи штучного інтелекту швидко вдосконалюються.
Вбудовані апаратні мікросхеми штучного інтелекту стрімко зростають, доступні різноманітні опції для підтримки розробки та розгортання моделей штучного інтелекту. Приклади включають найновіші графічні процесори NVIDIA (Gpus), A30 і A10, які були представлені в березні 2021 року та підходять для випадків використання ШІ, таких як системи рекомендацій і системи комп’ютерного зору. Іншим прикладом є блоки обробки тензорів (TPus) четвертого покоління від Google, які є потужними інтегральними схемами спеціального призначення (ASIC), які можуть досягти в 1000 разів більшої ефективності та швидкості в розробці та розгортанні моделей для конкретних робочих навантажень ШІ (наприклад, виявлення об’єктів). , класифікація зображень і контрольні показники рекомендацій). Використання спеціального обладнання штучного інтелекту скорочує час обчислення моделі з днів до хвилин і в багатьох випадках довело, що це змінило правила гри.
Потужне обладнання штучного інтелекту одразу доступне за моделлю оплати за використання.
Супермасштабні підприємства постійно модернізують свої сервери, щоб зробити обчислювальні ресурси доступними в хмарі, щоб кінцеві користувачі могли впроваджувати промислові програми ШІ. Наприклад, у листопаді 2021 року AWS оголосила про офіційний випуск своїх останніх екземплярів на базі графічного процесора Amazon EC2 G5 на базі графічного процесора NVIDIA A10G Tensor Core для різноманітних додатків ML, включаючи механізми комп’ютерного зору та рекомендацій. Наприклад, постачальник систем виявлення Nanotronics використовує приклади Amazon EC2 свого рішення для контролю якості на основі штучного інтелекту, щоб пришвидшити процес обробки та досягти точніших показників виявлення у виробництві мікрочіпів і нанотрубок.
Висновок і перспектива
AI виходить із заводу, і він буде всюдисущим у нових програмах, таких як PdM на основі AI, а також як вдосконалення існуючого програмного забезпечення та варіантів використання. Великі підприємства розгортають кілька випадків використання штучного інтелекту та звітують про успіх, і більшість проектів мають високу віддачу від інвестицій. Загалом, зростання хмари, платформ iot і потужних чіпів ШІ створює платформу для нового покоління програмного забезпечення та оптимізації.
Час публікації: 12 січня 2022 р